小米 MiMo-V2.6-Pro 1T-A42B 发布为当前最强开源权重模型
小米发布 MiMo-V2.6-Pro 与 Flash，均为原生全模态开源模型，Pro 在 Artificial Analysis Intelligence Index 得分 46，总参数 1.02T / 激活 42B，输入 $0.435/M、输出 $0.87/M。
推荐理由：小米推出原生全模态开源模型并附带 RL 环境与训练代码，为后训练缩放提供了一条更低成本的可复用路径。
#DeepSeek
#DeepSeek
今日 0 条Latent Space精选AI 评分8686
Together AI精选AI 评分7676 GLM-5.3 对 GPT-5.6 Sol 的 DeepSWE 评测：成本、编程与路由
Together AI 在 113 个 DeepSWE 任务、每侧 452 次 rollout 上对比 GLM-5.3（max）与 GPT-5.6 Sol（max）。
推荐理由：同一跑道上 GLM-5.3 以一半价格逼近 Sol，在重试和覆盖率上反而反超，读者可据此设计前端开源、后端旗舰的级联路由。
Together AI精选AI 评分7272 GLM-5.3 vs Claude Fable 5：DeepSWE 评测下的成本、编程与路由对比
Together AI 在 DeepSWE 上对比 GLM-5.3 与 Claude Fable 5：首次尝试通过率 69.0% vs 69.7%，GLM-5.3 每次调用 $3.99。
推荐理由：在精度相近时，GLM-5.3 以五分之一成本覆盖更多任务，为预算有限的工程团队提供了清晰的选型与路由依据。
Together AI精选AI 评分7676 DeepSeek V4 Pro 0813 vs Claude Fable 5：DeepSWE 评测下的成本、编程与路由对比
Together AI 在 DeepSWE 基准上对比 DeepSeek V4 Pro 0813 与 Claude Fable 5：Fable 首试准确率 69.7% 高于 Pro 的 62.8%。
推荐理由：在 DeepSWE 评测中两款模型价格相差 90 倍但表现接近，读者可据此判断何时值得为 Fable 支付溢价。
InterconnectsAI 评分6969 开放模型 Pareto 前沿效用显现：Laguna S2.1、Inkling 与 Kimi K3 复盘
Interconnects 复盘最新开放模型动态，指出多家公司持续投入训练并以开放方式发布模型，Thinking Machines 的 Inkling 与 Poolside 的 Laguna S2.1 等均在 Pareto 前沿有表现。DeepSeek-V4-Flash 在 OpenAI 降价后更新，Kimi K3 采用非商业许可并引发关于美国政策工具的讨论。
Together AI精选AI 评分7575 Thinking Machines Lab 发布多模态推理模型 Inkling，Together AI 首日上线
Thinking Machines Lab 发布 Inkling，Together AI 在发布当日将其上线至 Serverless 推理平台。Inkling 是 975B 总参数、40B 活跃参数的混合专家模型，支持 1M 上下文、接受文本、图像和音频输入并输出文本，提供可控推理强度设定，并在科学推理、数学、代码、预测等任务上进行了后训练。
推荐理由：原文给出 Inkling 的参数规模、上下文长度和可控推理设定，开发者可据此评估它在推理深度与 token 开销之间的平衡。
Together AI精选AI 评分7575 Together AI 在 ICML 2026 发布九篇全栈前沿研究论文
Together AI 在 ICML 2026 发布九篇论文，覆盖智能体、模型塑造、算法优化、系统优化与内核五个层级。DSGym 提供 1000+ 任务统一评估框架，ThunderAgent 提升 1.5–3.6 倍智能体吞吐，TTT-Discover 用开源 120B 模型在数学、GPU 内核、算法和生物领域取得新纪录。
推荐理由：九篇论文覆盖从智能体到 GPU 内核的完整栈，读者可据此判断哪些层是当前性能瓶颈。
Together AI精选AI 评分7171 LLM 在无提示约束下会生成什么：近无约束生成行为研究
Together AI 研究团队通过主题中性的开放种子提示（如 "Actually," "Let's think step by step," 或仅标点）移除 chat 模板与系统提示，研究 LLM 的近无约束生成行为。
推荐理由：在无主题提示下观察模型原始生成分布，揭示了各模型族稳定的语义偏好与退化模式，为审计和指纹识别提供了新视角。
Sebastian RaschkaAI 评分7272 DeepSeek V3 到 V3.2：架构、稀疏注意力与 RL 更新
Sebastian Raschka 分析了 DeepSeek V3.2 的架构与训练更新，包括引入 DeepSeek Sparse Attention（DSA）提升长上下文效率、在 RLVR 基础上加入自验证与自精炼以改进数学推理，以及 GRPO 的多项稳定性改进。V3.2 保留与 V3 相同的 MoE+MLA 架构，并在推理任务上接近 GPT-5 与 Gemini 3.0 Pro 水平。
Sebastian RaschkaAI 评分4444 Beyond Standard LLMs：解码器 Transformer 之外的大模型架构替代方案
summary_zh: 文章梳理了近期出现的大语言模型非主流架构替代方案，包括文本扩散模型与线性注意力混合架构等。